White Paper AUF SCHATZSUCHE IN IHREN DATENBANKEN Holger Wandt Wie Sie mit Master Data Management den Überblick behalten und eine einheitliche Kundensicht gewinnen
Pfadfinder im Datendschungel Hans Peter Bäcker Hans P. Baecker Herr H. Becker: drei verschiedene Einträge in der Datenbank, aber ein und derselbe Kunde. Was aber niemand weiß und des- halb werden Einladungen, Kundenmagazine, Mailings schiedenen SchreibvariaPonen vorkommen und für Chaos sorgen. GleichzeiPg gibt es neben den Kundenda- ten in Ihrem Unternehmen jede Menge weiterer Infor- maponen, die geordnet werden müssen: beispielsweise zu Mitarbeitern, Partnern, Lieferanten oder Produkten. Hier liegen die verborgenen Schätze, die Sie mit Hilfe von Master Data Management entdecken können. Dieses Whitepaper will Sie als Pfadfinder bei der Schatz- suche unterstützen und zeigen, wie Sie eine funkponie- rende Stammdatenverwaltung auyauen können. Mit dem Ziel, schri[weise eine ein- heitliche Sicht auf Ihre Kunden zu realisieren. Doch dazu muss zunächst der Datendschungel gelichtet werden. Warum überhaupt eine einheitliche Sicht auf den Kunden? Fangen wir von vorne an. In je- oder Weihnachtsgrußkarten jedes Mal mehrfach ver- schickt. Das kostet nicht nur Ihr Geld, sondern sorgt beim Empfänger auch noch für Verdruss. Das Namensbeispiel ist aber nur die Spitze des Eisbergs Adressdaten und KontakPnformaPonen wie Telefon-, Fax- und Handy- Nummern können ebenfalls in ver- dem Unternehmen exisperen heute vielfälpge IT- Systeme, mit deren Hilfe InformaPonen ge- sammelt werden. Seien es ERP- Lösungen (Enterprise Resource Planing) wie z.b. SAP für die funkponsbereichsübergreifende Unterstützung sämtlicher in Ihrem Unternehmen ablaufenden Ge- schä_sprozesse. Oder Anwendungen für das Customer RelaPonship Management (CRM) wie etwa Salesforce.com, mit denen die Kundenbeziehungen 2
verwaltet werden. Ticketsysteme zur Bearbeitung von ReklamaPonen sind ein weiteres typisches Beispiel. Auch die Finanzbuchhaltung für die Rechnungserstel- lung oder LogisPk- ApplikaPonen enthalten zwangsläufig Kundendaten. Dazu kommen jede Menge branchenspe- zifischer So_warelösungen wie etwa Systeme für das Porboliomanagement, die Anlageberatung oder zur Steuerung der Kreditrisiken bei einer Bank. Jede dieser Anwendungen erfüllt mehr oder weniger gut den Zweck, für den sie entwickelt wurde. Aber meist auch nicht mehr. Austausch zwischen den Dateninseln ist schwierig KriPsch wird es vor allem, wenn sie untereinander die InformaPonen austauschen sollen. Denn die sind jeweils in eigenen Silos ver- schwunden als versteckte Schätze auf einer Dateninsel und können nicht entsprechend der Möglichkeiten genutzt werden. Das Paradoxe: Je höher der AutomaPsierungsgrad im Un- ternehmen, desto schwerer wird es Ihnen fallen, die Bedürfnisse der Kunden wirklich zu erfüllen. Untersu- chungen u.a. der Markborscher von Gartner zeigen, dass InvesPPonen in CRM- Systeme und vergleichbare Lösungen alleine noch keine GaranPe für mehr Kunden- nähe sind dabei ist das genau der Grund, warum heu- te so viel Geld in diese Anwendungen gesteckt wird. Laut der aktuellen Gartner- Studie Survey Analysis: Eu- ropean OrganizaPons Crave a Single View of the Custo- mer in 2013 wollen im Jahr 2013 48 Prozent der befrag- ten Unternehmen in Europa die Budgets für ihre CRM- I- nipapven weiter steigern. Mit dem erklärten Hauptziel, die Kundenzufriedenheit zu verbessern. Auf Rang 2 wird das Ziel genannt, die Qualität der Kundendaten zu er- höhen, und auf dem dri[en Platz steht der Wunsch nach einer einheitlichen Sicht auf den Kunden. Doch alleine mit einem verbesserten CRM- System werden Sie diesen Anspruch nicht erfüllen können. Denn Kunden- daten gibt es noch wie erwähnt an vielen anderen Stellen in Ihrem Unternehmen. Der perfekte Datensatz im Golden Record 360- Grad- Kundensicht, integriertes bzw. einheitliches Kundenbild oder Single Customer View die Begriffe verweisen alle auf ein ähnliches Konzept. Letzten Endes geht es dabei darum, dass Ihre Mitarbeiter immer und überall die gleichen und möglichst vollständigen Infor- maponen für den persönlichen und angemessenen Dia- log mit den Kunden zur Hand haben. Und zwar dann, wenn sie benöpgt werden und egal, wo die Daten ur- sprünglich erfasst wurden: in der cloudbasierten CRM- Lösung, in einem Mainframe- Altsystem oder in der Da- tenbank eines sozialen Netzwerkes wie Facebook, Twit- ter oder LinkedIn. Der heilige Gral für alle Schatzsucher im Datendschun- gel ist das Golden Record. Das ist nicht eine goldene Schallpla[e, sondern ein zentral verwalteter perfekter Stammdatensatz. Er dient als einzige, verlässliche und aktuelle InformaPonsquelle und kann an den verschie- densten Stellen im Unternehmen genutzt werden. Etwa im Call Center bei einem Kundenanruf. Hier können die Mitarbeiter über den Goldenen Datensatz die in den angeschlossenen Systemen gespeicherten InformaPo- nen auf Knopfdruck abrufen und im Gespräch verwen- den. So sehen sie etwa, dass noch eine Bestellung an den Kunden unterwegs ist, er gerade einen Servicefall 3
hat oder das MarkePng ihm kürzlich ein Upgrade eines Produkts zu SonderkondiPonen vorschlug. Um diesen auch als Single Point of Truth (SPOT) be- zeichneten wahren Datensatz zu erzeugen, der die Wirklichkeit möglichst genau abbildet und so die Grund- lage für die einheitliche Sicht auf Ihre Kunden bildet, benöpgen Sie das Master Data Management (MDM). Dahinter verbirgt sich ein Paradigmenwechsel: Sta[ die internen Prozesse zu oppmieren, stehen nun die Perso- nen im Mi[elpunkt. Master Data Management ermög- licht Ihnen die relevante und persönliche InterakPon mit Ihren Kunden mit der Bereitstellung von vertrau- enswürdigen InformaPonen, wo und wann immer Sie diese benöpgen. Acht To- Dos für ein effizientes Master Da- ta Management Dabei geht es nicht nur um die Einführung einer weite- ren So_ware oder die ImplemenPerung einer Techno- logie, sondern es kommt vor allem auf die DefiniPon der Stammdaten und den AuYau einer entsprechenden OrganisaPon im Unternehmen an. Die Ersteinführung einer MDM- Lösung ist zwar ein Projekt, aber damit ist es nicht getan. Es handelt sich vielmehr um ein Pro- gramm, das nachhalpg und dauerha_ die Art und Weise verändert, wie Sie Ihre Stammdaten anlegen und mit Hilfe formalisierter Methoden verwalten und pflegen. Um bei unserem Vergleich mit der Schatzsuche im Datendschungel zu bleiben: Ohne eine Karte, die Sie zum Versteck führt, werden Sie erfolglos herumirren. Deshalb unser Plan, der Ihnen in acht Punkten den Weg zu einer schnell einsetzbaren MDM- Lösung nä- herbringt. Wobei die Zeit, die dafür benöpgt wird, von Ihren konkreten Bedingungen etwa der Zahl und Art der Quellsysteme, der vorhandenen Datenqualität oder den angestrebten Zielen abhängt. Human Infe- rence Master Data Management passt sich durch sei- ne Flexibilität sehr einfach den speziellen Anforderun- gen Ihres Unternehmens an. Sei es die IntegraPon von Social- Media- InformaPonen oder die Verbindung zu weiteren Systemen z.b. nach einer Übernahme oder Fusion die einheitliche Kundensicht wird damit jeder- zeit sichergestellt. 1. Data Governance: Sicherheit ist ent- scheidend Werden die gleichen Stammdaten in verschiedenen Unternehmensbereichen, auf unterschiedlichen Hierar- 4
chie- Ebenen oder in mehreren Geschä_sprozessen ge- nutzt, ist die Einführung einheitlicher Standards, Regeln und Abläufe unumgänglich. Dafür hat sich der Begriff Data Governance eingebürgert, der für die Entwicklung einer einheitlichen Strategie und gemeinsamer Prinzipi- en steht. Aber auch für die DefiniPon von verbindlichen Datenpflegeprozessen und die Festlegung entsprechen- der Kennzahlen. Bevor Sie ein MDM- Projekt starten, sollten als erste Maßnahmen diese grundlegenden Fra- gen geklärt werden. Dabei können Sie auf unser Know- how aus etlichen erfolgreichen MDM- Projekten zurück- greifen. Eine wesentliche Rolle so die Erfahrung spielt dabei der Sicherheitsaspekt. Wenn Sie Ihre gesamten Kun- dendaten an einer zentralen Stelle zusammenfassen, sind die Regelung der Zugangsrechte und der Daten- schutz wichpger denn je. Den unbefugten Zugriff auf Ihre InformaPonen müssen Sie auf jeden Fall verhin- dern. GleichzeiPg ist jedoch sicherzustellen, dass Ihre Mitarbeiter einfachen Zugang zu allen für einen erfolg- reichen Kundenkontakt wichpgen InformaPonen haben. Sie können die Zugangsrechte der Mitarbeiter daten- und rollenabhängig so festlegen, dass sie einerseits Ihr MDM- System oppmal nutzen können, andererseits je- doch nur die InformaPonen angezeigt bekommen, für die sie eine BerechPgung haben. Da alle Details eines Zugriffs gespeichert werden, verfügen Sie jederzeit über ein vollständiges Protokoll. Sie können immer erken- nen, wer wann welche Änderungen durchgeführt hat gleich ob Mitarbeiter oder das Programm selbst. 2. Der Data Steward: Einer hat den Hut auf ganz andere Aufgaben. Als Verantwortlicher für die Verbesserung der Datenqualität soll er die in der Data Governance festgelegten Prinzipien im gesamten Un- ternehmen durchsetzen, Metriken entwickeln und für die Konsistenz und Genauigkeit der Daten sorgen. Der Data Steward fungiert dabei als Dreh- und Angelpunkt, indem er die enge AbsPmmung und Verzahnung der einzelnen Fachabteilungen sicherstellt und dabei die unterschiedlichen Geschä_s- und IT- As- pekte berücksichpgt, kanalisiert und konsolidiert. Im zweiten Schri[ Ihres MDM- Projekts sollte deshalb die Person festgelegt wer- den, die in allen Fragen des Stammdatenmanagements den Hut auf hat und eine wichpge strategische Rolle einnimmt. In großen Unternehmen wird sie eine solche Aufgabe nicht allein bewälpgen können, deshalb sind dort solche Data Stewards in allen Abteilungen erforderlich zu- mindest aber in den Bereichen Vertrieb, MarkePng, ProdukPon, Finanzen und Personal. Und sie brauchen dafür die richpgen Werkzeuge. Zu den wichpgsten Komponenten eines MDM- Systems gehört deshalb eine Benutzeroberfläche, die speziell die Anforderungen des Data Stewards erfüllt. Für seine Arbeit kann er zum Bei- spiel auf folgende Tools zurückgreifen: Prozess- Leistungs- Überwachung: Kontrolle der laufenden Prozesse Immer freundlich lächeln und das Essen servieren: Trotz des etwas irreführenden Namens hat der Data Steward 5
Datenqualitäts- Kontrolle: Eine vollständige Übersicht über die Qualität der Daten des MDM- Systems sowohl des Verlaufs als auch für jede Datenquelle und jeden Nutzer Rejekt- Behandlung: Reports strukturieren inkorrekte Daten, die manuell bearbeitet werden können Geschä_sregeln: Sie dienen als Basis der Prozess- Steuerung und legen fest, welche Anpassungen die Reports erforderlich machen Änderungen am Golden Record werden in einem Au- dit Trail transparent festgehalten, so dass der Data Ste- ward jederzeit nachvollziehen kann, wer die Stammda- ten verändert hat, wann und in welcher Weise dies ge- schehen ist und was der Grund dafür war. 3. Datenmodellierung: Flexibilität ist Trumpf Als zentrales Element steuert das Datenmodell sämtli- che Prozesse und Ereignisse im MDM- System. Keine Datenquelle ist wie die Andere, und Ihre wertvollen Daten finden sich o_ über eine ganze Reihe von Daten- banken verteilt. Fusionen, Übernahmen und neue An- forderungen erfordern o_ Anpassungen Ihres Daten- modells und der benutzten Datenquellen. Human Inference Master Data Management verwendet deshalb ein Datenmodell, das auf Erfahrungen mit sehr vielen ImplemenPerungen beruht und zugleich er- wei- terungsfähig und ausgesprochen flexibel ist. Dadurch passt es sich der OrganisaPonsstruktur Ihres Unterneh- mens an und ermöglicht zahlreiche Anwendungsszena- rien. Die erste Zuordnung geschieht auf der Basis von Metadaten, die in der Folge auch für die Benutzerober- fläche genutzt werden. Das gibt Ihnen die größtmögli- che Freiheit, während ein großer Teil der Arbeit auto- mapsch abläu_. Intelligente Parser und TransformaPo- nen machen Ihre Daten auch zu einem großen Teil au- tomapsch für die von Ihnen gewünschte einheitliche Kundensicht nutzbar. 4. Datenqualität: Oh- ne Säuberung werden Sie nicht fündig Daten falsch einzugeben, ist ganz einfach. Ausgesprochen kompli- ziert dage- gen ist es festzustellen, ob InformaP- onen korrekt, eindeupg und vollständig sind. Wussten Sie, dass man Amsterdam auf 47 verschiedene Weisen schreiben kann? Einer unserer Kunden hat diese Entde- ckung kürzlich bei einer Analyse seiner Datenbank ge- macht. Der Weg zu aktuellen, komple[en und korrekten Daten erfordert in der Regel drei Schri[e: 1. Säubern des gesamten Bestandes mit Hilfe von Da- tenqualitätsso_ware 2.AutomaPsche Duble[enerkennung und Zu- sammen- führen der entsprechenden Daten zu einem zentralen Kundendatensatz ( Golden Record ) 3.AutomaPsche Anreicherung aus externen Quellen - sofern das für Ihren Zweck erforderlich ist Das Säubern kann in der Regel automapsch geschehen. Eine gute Datenbereinigungsso_ware kennt die Struk- tur von Adressen, Namen, Telefonnummern und ande- ren Kundendaten. Sie nutzt Wissen und wendet dem menschlichen Denken vergleichbare Techniken an. Der Ansatz von Human Inference ist hier sehr komplex und 6
kombiniert verschiedene Methoden, um maximale Er- gebnisse zu erzielen. Er lässt sich dabei auf Ihre konkre- te SituaPon und Bedürfnisse anpassen und erreicht ei- nen sehr hohen AutomaPsierungsgrad mit einer Tref- ferquote von 98 Prozent deutlich besser als bei ande- ren Lösungen am Markt. Vor allem bei der Duble[enerkennung werden die Vor- teile deutlich. Denn für Ihre Mitarbeiter ist es häufig einfacher, einen Kunden erneut anzulegen, sta[ zu- nächst zu kontrollieren, ob diese Person bereits bekannt ist. Dadurch wächst der Anteil an Mehrfacheinträgen in vielen Unternehmen jährlich um 20 Prozent, was fatal für eine einheitliche Sicht auf den Kunden ist. Nach der Bereinigung um diese Duble[en erfolgt die Zusammen- führung in das Golden Record. Dies kann nach unter- schiedlichen Kriterien geschehen, z.b. Aktualität oder Priorität für eine bespmmte Quelle. Dort erfolgt bei Bedarf noch eine Anreicherung der Da- tensätze. Beispielsweise um InformaPonen aus den so- genannten Robinsonlisten, in denen Verbraucher den Versand von Werbung untersagen. Wenn Ihre Kunden- daten keine ausreichenden InformaPonen enthalten, können Sie die entsprechenden Daten kaufen und vergleichbar dem Vorgehen beim Zusammenführen Ihrer eigenen Kundendaten die vorhandenen Infor- maponen mit den erworbenen Daten anreichern. Das Spektrum reicht dabei von Angaben zur Kreditwürdig- keit über Mobilfunknummern bis hin zu Geokodierun- gen. 5. First Time Right: Gleich richng erfassen Nachdem Sie Ihre Daten mit Hilfe der Datenqualitäts- so_ware erfolgreich gesäubert haben, sollte dieser Zu- stand möglichst erhalten bleiben. Schon bei der Daten- eingabe einer neuen Adresse in eines Ihrer operaponel- len Systeme ist deshalb sicherzustellen, dass alle Ele- mente eines Datensatzes korrekt sind unabhängig davon, wann und wo sie geschieht. Ganz gleich, ob es sich nun um Adressdaten aus Russland, Brasilien oder Deutschland handelt. Mit unserem First Time Right - Prinzip geben Sie Na- men, Adressen und andere Kontaktdaten aus der gan- zen Welt ganz normal in Ihr Quellsystem ein. Dabei wird die neue Adresse blitzschnell mit den bereits vorhande- nen Daten verglichen und auf Fehler überprü_. Sollte es sich um eine Duble[e handeln oder die Adresse nicht korrekt sein, erfolgt sofort eine Warnung. Falsche Schreibweisen lassen sich so weitgehend ausschließen, und Sie können sicher sein, dass nur saubere und kor- rekte Daten in Ihr System gelangen. Eine besondere Rolle spielt die automapsche Kontrolle der Adressdaten bereits während der Eingabe, wenn Ihre Kunden online Bestellformulare oder ähnliches ausfüllen. Denn hier gibt es zahlreiche Fehlermöglich- keiten, die bei Nichterkennung zahlreiche negapve Fol- gen mit sich bringen etwa unzustellbare Sendungen, unbezahlte Rechnungen und teure Retouren. Und auch erfundene Namen wie Mickey Mouse oder James Bond, deren einzelne Elemente jeweils gülpge Namen sind, kommen hier häufiger vor, als man denkt. Auch sie er- kennt die So_ware zuverlässig, überprü_ die Plausibili- tät und schlägt im Zweifelsfall vor, die Fake- Bestellung aus der Versandliste zu streichen. 6. Hierarchiemanagement: Die Beziehun- gen erkennen Eine Gesellscha_ besteht natürlich nicht ausschließlich aus Individuen. Die DefiniPon, was denn nun ein Kunde sei, kann sich von Unternehmen zu Unternehmen un- terscheiden. Einmal ist Ihr Abnehmer ein einzelner Ver- 7
braucher, dann wieder ein Mehrpersonen- Haushalt. Einmal wollen Sie die Vermögensverhältnisse Ihres Kunden kennen, ein anderes Mal müssen Sie wissen, wer der wirtscha_lich BerechPgte ist. Viele dieser InformaPonen finden sich außerhalb Ihres Unternehmens oder verteilt über verschiedene Syste- me. Ein Master Data Management- System, das sowohl natürliche als auch jurispsche Personen enthalten kann und das in der Lage ist, Beziehungen zwischen EnPtäten zu speichern, bietet Ihnen einen vollständigen Überblick über Ihre Kunden. 7. IdenNtätsbesNmmung und Data Mat- ching: WichNge Unterschiede Für ein Unternehmen, das mit umfangreichen Datenbe- ständen zu tun hat, ist die eindeupge und exakte Unter- Datenbanken, die bei einer Zusammenfassung in der MDM- Lösung differenziert behandelt werden müssen. InformaPonen über Personen und Unternehmen haben einen hohen wirtscha_lichen Wert und sind gleichzeipg ausgesprochen fehleranfällig. Falsch geschriebene Na- men, falsche Geschlechtsangaben, unterschiedliche Schreibweisen des Datums, unverständliche Abkürzun- gen und Akronyme und unvollständige und fehlerha_e Adressen sind typische Beispiele für Fehler in großen Datenbanken. Data Matching stellt den Grad der ÜbereinsPmmung zwischen verschiedenen Datensätzen fest, verhindert die Datenverunreinigung und sorgt für das perfekte Golden Record" als Basis Ihrer einheitlichen Kunden- sicht. Für den Datenvergleich sollten die folgenden FunkPonen geboten werden: Fehlertolerante Suche Verhindern von Duble[en bei der Eingabe Erzeugen des Golden Record Mit dem Golden Record als Sucheingang in die Datenschatzhöhle finden Sie nicht nur schnell die wahren InformaPonen, son- dern können auch Ihre verschiedenen Quell- systeme komfortabel zusammenführen. 8. Laden von Daten: So einfach verbinden Sie Ihre Quellen scheidung zwischen natürlichen und jurispschen Perso- nen in seinen Datenbanken sehr wichpg. Denn damit sind zum Beispiel Fragen der Ha_ung, der Ansprache oder von unterschiedlichen Datenschutzregeln verbun- den. Zum Teil gibt es auch für Geschä_skontakte zu Firmen und zu natürlichen Personen unterschiedliche Für eine einheitliche Kundensicht müssen Sie Ihr MDM- System mit allen erforderlichen Quellen ver- binden und die dort gespeicherten Daten ohne Kom- promiperung hochladen. Damit dieses Onboarding möglichst einfach geschehen kann, ermöglicht das Mo- dul zum Laden von Daten in das System die Verbindung mit kommerziellen und Open Source- Datenbanken so- 8
wie mit unterschiedlichsten Dateiformaten. Denn Ihr einheitliches Kundenbild speist sich ja nicht nur aus Ih- ren internen Datenbanken, sondern u.a. auch aus Excel- Dateien im MarkePng oder aus Social Media- Anwen- dungen. Dementsprechend lässt sich das verwendete Datenmodell für genau Ihre Umgebung konfigurieren, anpassen und erweitern. Der einfache Prozess des Ladens der Daten in das MDM- System erhöht den Wert der einheitlichen Kundensicht und Ihnen bleibt mehr Zeit für Ihre Kunden. Da be- reits vor dem Ladevorgang eine Analyse stazindet und sie so direkt einen Eindruck von der Qualität und Voll- ständigkeit der Daten gewinnen, können Sie bereits während dieses Prozesses mögliche Probleme erkennen und sofort lösen. Beispiel Finanzwirt- scha_: Mehrere Auf- gaben gleichzeipg meistern Ein überzeugender Kundenservice bei gleichzeipger Erfüllung zahlreicher komplexer gesetzlicher Vorschrif- ten ist für viele GeldinsPtute immer noch eine Heraus- forderung. In den unterschiedlichen IT- Systemen schlummern zwar viele InformaPonen über die Kunden, aber nur selten werden sie zu deren gezielter Ansprache sei es auf der Website, im persönlichen Gespräch oder im Rahmen von Kampagnen genutzt. Dabei lassen sich aus den verborgenen Schätzen auf den Dateninseln systemapsch Erkenntnisse für bessere Angebote gewin- nen. Ansatzpunkte bestehen hier zum Beispiel bei der Über- wachung der Wert- und Risikoentwicklung in den De- pots von Privatanlegern. Die Einrichtung von automapschen Alerts, die Bankberatern Hinweise geben, jetzt akpv zu werden, eröffnet die Chance zur Empfehlung pas- sender Produkte im richpgen Moment. Eine detaillierte Auswertung von Kunden- informaponen bietet zudem zusätzliche Steuerungsmöglichkeiten im Vertrieb beispielsweise beim Erkennen von besonders wertvollen Kunden. Ne- ben solchen Daten aus dem Porboliomanagementsys- tem lagern aber auch in den diversen anderen IT- An- wendungen oder im CRM- System des GeldinsPtuts zahl- reiche Datenschätze, die systemapsch analysiert und verknüp_ immer wieder neue Gesprächs- und Ver- kaufsanlässe bieten. Vor dem Hintergrund, dass sich der Bankensektor heute in der schwersten Vertrauenskrise der Nachkriegszeit (so eine aktuelle Studie der Managementberatung Bain & Company) befindet, besteht akuter Handlungsbedarf. Die Forscher stellen darin vor allem bei den Privatkun- den großer deutscher FinanzinsPtute eine große Unzu- friedenheit und hohe Wechselbereitscha_ fest, die bei rund 40 Prozent liegt. Master Data Management kann hier die Basis für vertrauensbildende Maßnahmen bil- den. Denn sowohl im Geschä_ mit den Endkunden als auch in der Vermögensverwaltung, im Unternehmens- geschä_ oder im Investmentbanking müssen inkonsis- tente Daten und Duble[en von Kunden, Geschä_spa- pieren, Maklern, Konten oder Wertpapieren bereinigt und zusammengeführt werden. 9
Die integrierte Sicht auf alle KundeninformaPonen und das Kennen- Sie- Ihren- Kunden- Prinzip" (Know your Customer KYC) sind dabei mehr als nur MarkePng- Schlagworte. RichPg angewendet, lassen sich die die zusätzlichen Erkenntnisse über die Kunden für unter- schiedliche Bereiche nutzen: etwa für das Risikomana- gement, zur Preisfindung und zur Erhöhung der Kun- denzufriedenheit. KYC steht für den Prozess des Kun- denscreenings sowohl bei der Neuanlage als regelmä- ßig wiederkehrend, um die Anforderungen der 3. EU- Richtlinie zur Verhinderung der Geldwäsche und der Terrorismusfinanzierung zu erfüllen. Darin werden fol- gende Maßnahmen empfohlen: Customer DueDiligence mit risikobasiertem Ansatz IdenPfikaPon und Verifizierung von Risiko- Kunden (SankPonslisten-, PEP- und OFAC- Matching) Ermi[eln und Überprüfen der Eigentümerscha_ (UlPmate Beneficial Owner bzw. UBO) Erstellen eines Risikoprofils DatenmanipulaPonen und - diebstahl, betrügerische Mitarbeiter, übertriebene Boni oder verlustreiche Anla- gegeschä_e die Finanzbranche kommt derzeit nicht aus den Schlagzeilen wegen Compliance- und Sicher- heitsproblemen heraus. Der Schaden für die betroffe- nen Unternehmen ist immens: Neben direkten Kosten etwa durch Datenverluste und Strafzahlungen entste- hen für die InsPtute auch große Imageschäden und Ver- trauensverluste bei den Kunden. Die bekanntgewordenen Fälle stellen allerdings nur die Spitze des Eisbergs dar. Unscheinbarer aber durchaus nicht weniger kostspielig sind ineffiziente Abläufe im täglichen Betrieb, die durch eine mangelnde Qualität der Stammdaten verursacht werden. Mit einem funkp- onierendem Master Data Management von der stra- tegischen Entscheidung über die Regelung der personel- len Verantwortung und die ImplemenPerung einer ge- eigneten So_ware bis hin zur konsequenten Umsetzung im Alltag lassen sich hier nicht nur erhebliche Kosten sparen. Vor allem erschließen Sie sich mit einer einheit- lichen Sicht auf den Kunden viele neue Chancen im Ver- trieb und in der Kundenbetreuung. Human Inference Master Data Management deckt dabei sämtliche spezi- ellen Anforderungen von Banken und Sparkassen auf diesem Gebiet ab. Was heißt hohe Datenqualität? In Punkt 4 unserer To- Do- Liste, die Sie in acht Schri@en einer schnell einsetzbaren MDM- Lösung näherbringt, haben wir auf die Qualität Ihrer Kundendaten hingewie- sen. Sie bildet die wichkgste Voraussetzung für den Er- folg Ihres Vorhabens. Doch was bedeutet Qualität in diesem Zusammenhang? Das lässt sich am besten durch das AKKU- Prinzip von Human Inference definieren: Aktuell: Sind die Daten up to date? Es geht z.b. um Adressen, die nach Straßenumbenen- nungen oder Gemeindefusionen in ihrer bisherigen Form nicht mehr exiskeren, erloschene Unternehmen oder Umzüge. Allein in Deutschland gibt es im Jahr ca. 4 Mil- lionen Umzüge und etwa 30.000 Änderungen bei Stra- ßen, Postleitzahlen und Orten. Komple@: Verfügen Sie über alle Kontaktelemente, die Sie für Ihren Zweck benökgen? Abhängig von Ihrem Ziel benökgen Sie hier mehr oder weniger InformaKonen. Beispiele dafür sind Ge- schlechtsangaben, die Sie meist aus dem Vornamen ableiten können, oder Telefonnummern und E- Mail- Ad- ressen. 10
Korrekt: SKmmen Ihre Daten? Es geht z.b. um vierstellige Postleitzahlen, das fehlende @ in Email- Adressen oder nicht- exiskerende Nachna- men. Unique: Kommt jeder Kunde nur einmal vor? Abhängig von Ihrer DefiniKon eines Kunden (Haushalt, Einzelperson, OrganisaKon) sollten Sie mehrfach vor- handene Datensätze mit entsprechenden ÜbereinsKm- mungen zusammenführen. Über Human Inference Human Inference unterstützt bereits seit mehr als 25 Jahren Behörden und Unternehmen im Umgang mit ihren Kunden durch die Lösung sämtlicher Probleme im Zusammenhang mit Kundendaten und der InformaP- onsqualität. Weitere InformaNonen? Wenn Sie mehr über unsere MDM- und Datenqualitäts- lösungen und deren Nutzen für Ihr Unternehmen wis- sen möchten, oder wenn Sie Interesse an weiteren Tipps und Beratung haben, erreichen Sie mich telefo- nisch unter +31 26 355 0 627 oder per Email: holger.wandt@humaninference.com Weitere InformaPonen über unsere Lösungen sowie Erfahrungsberichte von Kunden lesen Sie auf h[p://www.humaninference.de/master- data- managem ent Der Autor Dr. Holger Wandt ist als Principal Advisor bei Human Inference verantwortlich für alle wissensbezogenen Fragen zur Datenqualität. Als Sprachwissenscha_ler hat er viele Jahre an der Erfassung, Pflege und Qualität des Wissens gearbeitet, das die Produkte von Human Infe- rence auszeichnet. Er ist regelmäßiger Referent und Moderator unterschiedlicher Veranstaltungen und Au- tor von ArPkeln, die online und z.b. in Magazinen wie Computerwoche und aquisa erscheinen. Darüber hinaus ist er Studienleiter der Masterclass Data Quality Mana- gement an der Wirtscha_suniversität Nyenrode, Do- zent an der linguispschen Fakultät der Universität Utrecht sowie Studienleiter und Dozent der Meister- klasse Datenqualitätsmanagement an der Universität St. Gallen. 11